文为🔗365天深度学习训练营内部限免文章 参考本文所写记录性文章,请在文章开头注明以下内容,复制粘贴即可
Python复制代码
1
2
>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**
>- **🍖 原作者:[K同学啊](https://mtyjkh.blog.csdn.net/)**
一、前期工作
安装tesonflow
数据预处理
传入参数即为自己设计的图片长宽,载入数据集后需声明匹配
构建CNN网络
"""
关于卷积核的计算不懂的可以参考文章:https://blog.csdn.net/qq_38251616/article/details/114278995
layers.Dropout(0.4) 作用是防止过拟合,提高模型的泛化能力。
关于Dropout层的更多介绍可以参考文章:https://mtyjkh.blog.csdn.net/article/details/115826689
"""
model = models.Sequential([
layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1,卷积核3*3
layers.AveragePooling2D((2, 2)), # 池化层1,2*2采样
layers.Conv2D(32, (3, 3), activation='relu'), # 卷积层2,卷积核3*3
layers.AveragePooling2D((2, 2)), # 池化层2,2*2采样
layers.Dropout(0.5),
layers.Conv2D(64, (3, 3), activation='relu'), # 卷积层3,卷积核3*3
layers.AveragePooling2D((2, 2)),
layers.Dropout(0.5),
layers.Conv2D(128, (3, 3), activation='relu'), # 卷积层3,卷积核3*3
layers.Dropout(0.5),
layers.Flatten(), # Flatten层,连接卷积层与全连接层
layers.Dense(128, activation='relu'), # 全连接层,特征进一步提取
layers.Dense(len(class_names)) # 输出层,输出预期结果
])
model.summary() # 打印网络结构
试跑结果
此时载入报错:
原因:Visdom 服务器未能连接。Visdom 是一个用于可视化的数据可视化工具,可能在你的项目中用于监控训练过程。 可视化使用visdom需在浏览器或pycharm工具台打开。
模型评估:
学习心得:
1.尝试vgg网络构建,源码源自github,准确率不达到要求,将图片尺寸等比例缩小为224x224------256x256后准确率也未满百分五十,原因未知。
2.适当调整正则化参数,0.1-0.3取得最好的调节效能
3.尝试截取不同图片素材,网络框架有素材要求,需要素材不出现多张人脸,否则准确率会膨胀(爆炸)